Paper 页面 - Nexus：一种用于时间序列预测的多智能体框架

来源: https://huggingface.co/papers/2605.14389

摘要

Nexus 是一个多智能体预测框架，它将时间序列预测分解为多个专门化阶段，从而有效整合数值模式与上下文信息，以提高预测准确性和可解释性。

时间序列预测不仅仅是数值外推，还常常需要结合新闻或事件等非结构化的上下文数据进行推理。虽然专门化的时间序列基础模型 (https://huggingface.co/papers?q=Time%20Series%20Foundation%20Models) (TSFMs) 擅长基于数值模式进行预测，但它们对现实世界的文本信号一无所知。相反，尽管大语言模型 (LLMs) 正在成为零样本预测器，但其在不同领域和上下文依据方面的表现仍然参差不齐。为了弥合这一差距，我们引入了 Nexus，这是一个多智能体预测 (https://huggingface.co/papers?q=multi-agent%20forecasting) 框架，它将预测分解为多个专门化阶段：分离宏观和微观层面的时间波动 (https://huggingface.co/papers?q=temporal%20fluctuations)，并在可用时整合上下文信息 (https://huggingface.co/papers?q=contextual%20information)，最后综合生成最终预测。这种分解使得 Nexus 能够适应从季节性信号到易变的、事件驱动的信息，而无需依赖外部统计锚点或整体式提示。我们表明，当前一代的大语言模型 (LLMs) 具有比先前认知更强的内在预测能力，这关键取决于数值推理和上下文推理的组织方式。在严格晚于 LLM 知识截止日期的数据（涵盖 Zillow 房地产指标和波动的股票市场权益）上进行评估，Nexus 始终与最先进的 TSFMs 和强大的 LLM 基线持平或超越。除了数值精度之外，Nexus 还能产生高质量的推理轨迹 (https://huggingface.co/papers?q=reasoning%20traces)，明确展示每个预测背后的根本驱动因素。我们的结果证实，现实世界的预测是一个远远超出序列建模 (https://huggingface.co/papers?q=sequence%20modeling) 范围的智能体推理问题。

查看 arXiv 页面 (https://arxiv.org/abs/2605.14389)查看 PDF (https://arxiv.org/pdf/2605.14389)添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2605.14389)

在你的智能体中获取这篇论文：

hf papers read 2605\.14389

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型0

没有模型关联这篇论文

在模型的 README.md 中引用 arxiv.org/abs/2605.14389 以在本页面建立链接。

引用本论文的数据集0

没有数据集关联这篇论文

在数据集的 README.md 中引用 arxiv.org/abs/2605.14389 以在本页面建立链接。

引用本论文的空间0

没有 Space 关联这篇论文

在 Space 的 README.md 中引用 arxiv.org/abs/2605.14389 以在本页面建立链接。

包含本论文的收藏集0

没有收藏集包含这篇论文

将本论文添加到一个收藏集 (https://huggingface.co/new-collection) 中以在本页面建立链接。